随着互联网技术的快速发展,传统的视频监控技术得到了不断革新,智能化已成为视频监控的必然趋势,受到了人们的普遍关注和认可。近年来,智能视频监控逐渐渗透到了社会的各个领域,其中人脸识别、步态识别、异常检测等关键技术已经被广泛的应用到了机场、火车站、地铁等重要场所,成为保护社会公共安全的重要手段。群体异常事件检测作为智能视频监控的首要任务,其主要工作就是对监控视频中异常事件进行及时准确的预警和检测,来最大可能的减少突发事故带来的危害。群体异常事件检测的研究主要分为基本事件表示与检测模型建立两个方面。本文主要从这两个方面来对群体异常事件检测进行研究,所做的主要工作有以下几点:(1)在基本事件表示方面,本文主要研究基于底层视觉特征的事件表示,并提出了新的显著性光流直方图特征描述符,具体的操作是:首先对视频图像块提取光流信息(即光流矢量),并将其划分到不同的方向区间,这样就对光流的方向信息进行了分类;然后对各个方向区间分别设置阈值,并舍弃幅值小于阈值的光流,只统计余下的大尺度光流信息,计算出各区间内光流数值之和,这样就得到了不同方向区间内光流的强度信息;最后统计直方图构成特征,作为该图像块的特征描述符。该特征描述符通过对光流尺度阈值的灵活设置,将光流信息划分的更加具体,能够很好的表达视频中的运动信息。(2)在检测模型建立方面,本文提出了一个改进的基于稀疏表示的异常检测模型,称为基于聚类字典的异常检测模型。具体做法是:首先由训练样本学习得到一个初始字典和相应的系数矩阵;然后基于系数矩阵对初始字典进行聚类形成多个子字典,并对各个子字典进行优化得到多字典组合,其中每一个子字典代表一类正常事件;最后,根据测试样本在多字典组合下的重构误差来判断是否为异常样本。该模型的主要改进是提出了聚类字典学习算法,它将传统的一个过完备字典转换为多个子字典,这样在检测阶段,对于给定样本,只需找出最适合的子字典并计算测试样本在该子字典下的重建误差,即可判断出测试样本是否异常。(3)本文通过在两个公共数据集上的实验分别对所提出的算法进行了验证与分析,实验表明,本文提出的方法在对拥挤场景下监控视频中的群体异常事件检测时,与其它方法相比拥有较好的检测性能。